La predicción precisa de las interacciones fármaco-diana (DTI) es fundamental para el descubrimiento y el reposicionamiento de fármacos. A pesar de los avances recientes, los modelos de aprendizaje profundo a menudo muestran una generalización limitada en escenarios realistas de inicio en frío (cold-start) y sufren de una escasa interpretabilidad. Para abordar estos desafíos, presentamos BioFusionDTI, un marco multimodal de aprendizaje profundo que integra representaciones basadas en grafos y en secuencias de fármacos y proteínas. BioFusionDTI emplea redes convolucionales de grafos (GCN) para extraer características estructurales de grafos moleculares y de proteínas, y redes neuronales convolucionales (CNN) para procesar incrustaciones de secuencias derivadas de modelos de lenguaje biomolecular preentrenados. Además, se introduce una red de atención bilineal (BAN) para capturar interacciones intermodales de grano fino, mejorando así la precisión predictiva y la interpretabilidad. Experimentos exhaustivos en tres conjuntos de datos de referencia (SNAP, DRH y Kinase) en configuraciones warm, cold-drug y cold-protein demuestran que BioFusionDTI supera sistemáticamente a las referencias del estado del arte. Los estudios de ablación destacan la eficacia de la estrategia de fusión, en la que el módulo BAN aporta una contribución sustancial a las mejoras de rendimiento. Además, las visualizaciones de atención revelan sitios de interacción biológicamente plausibles, en concordancia con los resultados de acoplamiento molecular. El presente estudio sugiere que BioFusionDTI es una herramienta robusta e interpretable para el descubrimiento y reposicionamiento de fármacos. El código fuente está disponible en https://github.com/QiufenChen/BioFusionDTI.
Chen et al. (Tue,) estudiaron esta cuestión.